基于机器学习的智能导诊模型研究
发布时间：2021-04-09 06:50
现阶段,由于我国医疗资源分布不均衡,优质医疗资源多集中在大型医院,所以患者在就诊时会优先选择大型医院,这就造成大医院门诊人流量高居不下。而且大部分患者自身的医疗知识有限,大都无法根据自身情况选择正确的科室和适合的医生就诊。因此,当前的医院大厅都设有人工导诊台,帮助患者选择合适的医院科室或医生。传统的人工导诊方式,在面对大量患者时难以在短时间内对患者做出精确的科室分诊和医生推荐,导致患者的就诊流程不顺利,降低了患者的就医体验。目前,已有医院开通预约挂号和线上人工咨询的功能,在一定程度上缓解了线下导诊人员的工作压力。但是,仅仅把线下人工咨询工作转移到线上,不仅增加了医院投入的人力财力,而且难以从根本上提高患者的挂号效率和就诊体验。如何快速准确的引导患者挂号和选择医生就诊是现阶段大型综合性医院导诊工作中急需解决的问题。本文针对传统人工导诊方式在大型医院难以满足患者导诊需求的问题,提出一种基于机器学习的智能导诊模型。模型以患者在大型医院快速准确的就诊为主要研究对象,使用机器学习作为研究的方法,来解决大型医院在导诊工作中面临的两个关键问题——快速准确地科室分诊和医师推荐。本文针对智能导诊模型的功...
【文章来源】：青岛科技大学山东省
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 选题意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 论文主要研究内容
1.4 论文的组织结构
2 基于机器学习的智能导诊模型概述
2.1 智能导诊模型功能需求分析
2.2 基于机器学习的智能导诊模型结构
2.2.1 基于字词联合特征的症状实体抽取模块
2.2.2 基于症状贡献度和信息熵优化的Stacking科室分诊模块
2.2.3 基于患者相似度和医师匹配度的协同过滤医师推荐模块
2.3 本章小结
3 基于字词联合特征的症状实体抽取模型
3.1 症状实体抽取相关研究
3.1.1 症状实体抽取概念
3.1.2 实体抽取方法研究现状
3.2 症状实体抽取相关技术介绍
3.2.1 字嵌入
3.2.2 卷积神经网络
3.2.3 循环神经网络
3.2.4 注意力机制
3.2.5 条件随机场
3.3 基于字词特征联合的症状实体抽取模型
3.3.1 基于卷积网络的患者主诉潜在词特征提取方法
3.3.2 基于字词联合特征的BGRU症状长依赖关系提取方法
3.3.3 基于Attention的症状特征加权方法
3.3.4 基于CRF的症状标签合理性约束方法
3.4 模型评估与实验对比
3.4.1 实验数据及标注方法
3.4.2 模型评价指标
3.4.3 模型超参数设置
3.4.4 实验对比及结果分析
3.5 本章小结
4 基于症状贡献度和信息熵优化的科室分诊模型
4.1 基于TF-IDF的症状贡献度计算方法
4.2 基于信息熵优化的Stacking科室分诊模型
4.2.1 基于Stacking的科室分诊模型
4.2.2 基于信息熵和预测准确度的样本优化方法
4.3 模型评估和实验对比
4.3.1 数据预处理及模型参数设置
4.3.2 模型评估方法
4.3.3 实验对比及结果分析
4.4 本章小结
5 基于患者相似度和医师匹配度的协同过滤医师推荐模型
5.1 基于改进的协同过滤医师推荐模型原理
5.2 基于改进的协同过滤医师推荐模型实现方法
5.2.1 基于症状的患者相似度计算方法
5.2.2 基于朴素贝叶斯的医师匹配度计算模型
5.2.3 基于改进的协同过滤医师推荐算法
5.3 性能验证与结果分析
5.3.1 实验参数设置
5.3.2 模型评估指标
5.3.3 实验对比及结果分析
5.4 本章小结
6 总结与展望
6.1 工作总结
6.2 后续工作展望
参考文献
致谢
攻读学位期间发表的学术论文目录
攻读学位期间参加的科研项目
本文编号：3127138
【文章来源】：青岛科技大学山东省
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 选题意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 论文主要研究内容
1.4 论文的组织结构
2 基于机器学习的智能导诊模型概述
2.1 智能导诊模型功能需求分析
2.2 基于机器学习的智能导诊模型结构
2.2.1 基于字词联合特征的症状实体抽取模块
2.2.2 基于症状贡献度和信息熵优化的Stacking科室分诊模块
2.2.3 基于患者相似度和医师匹配度的协同过滤医师推荐模块
2.3 本章小结
3 基于字词联合特征的症状实体抽取模型
3.1 症状实体抽取相关研究
3.1.1 症状实体抽取概念
3.1.2 实体抽取方法研究现状
3.2 症状实体抽取相关技术介绍
3.2.1 字嵌入
3.2.2 卷积神经网络
3.2.3 循环神经网络
3.2.4 注意力机制
3.2.5 条件随机场
3.3 基于字词特征联合的症状实体抽取模型
3.3.1 基于卷积网络的患者主诉潜在词特征提取方法
3.3.2 基于字词联合特征的BGRU症状长依赖关系提取方法
3.3.3 基于Attention的症状特征加权方法
3.3.4 基于CRF的症状标签合理性约束方法
3.4 模型评估与实验对比
3.4.1 实验数据及标注方法
3.4.2 模型评价指标
3.4.3 模型超参数设置
3.4.4 实验对比及结果分析
3.5 本章小结
4 基于症状贡献度和信息熵优化的科室分诊模型
4.1 基于TF-IDF的症状贡献度计算方法
4.2 基于信息熵优化的Stacking科室分诊模型
4.2.1 基于Stacking的科室分诊模型
4.2.2 基于信息熵和预测准确度的样本优化方法
4.3 模型评估和实验对比
4.3.1 数据预处理及模型参数设置
4.3.2 模型评估方法
4.3.3 实验对比及结果分析
4.4 本章小结
5 基于患者相似度和医师匹配度的协同过滤医师推荐模型
5.1 基于改进的协同过滤医师推荐模型原理
5.2 基于改进的协同过滤医师推荐模型实现方法
5.2.1 基于症状的患者相似度计算方法
5.2.2 基于朴素贝叶斯的医师匹配度计算模型
5.2.3 基于改进的协同过滤医师推荐算法
5.3 性能验证与结果分析
5.3.1 实验参数设置
5.3.2 模型评估指标
5.3.3 实验对比及结果分析
5.4 本章小结
6 总结与展望
6.1 工作总结
6.2 后续工作展望
参考文献
致谢
攻读学位期间发表的学术论文目录
攻读学位期间参加的科研项目
本文编号：3127138
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3127138.html
